[发明专利]垃圾分类质量评估方法及系统

权利要求书

1.一种垃圾分类质量评估方法，其特征在于，利用训练后的深度卷积神经网络识别输入图像中包含的对象，定位其中正确投放和错误投放的垃圾，自动给出对该图像中垃圾分类的质量的总体评估，即图像中各类垃圾的占比，评估垃圾分类的质量；

当输入图像I_i属于所述对象的类别j，根据中心极限定理认为I_i源自于高斯分布N(μ_j,σ_j²)，该高斯分布体现了垃圾类别j的特征；

所述的深度卷积神经网络为包含高斯编码层的高斯分类网络，在过滤图像噪声的同时提取与分类任务紧密相关的图像特征；

所述的识别是指：对输入图像I_i进行预处理后，通过深度卷积神经网络的骨干网络提取得到卷积特征f；通过两个全连接层分别提取卷积特征f的高斯分布的均值特征f_μ和方差特征f_σ，对应μ_j和方差logσ_j²；将均值特征f_μ和方差特征f_σ拼接成为高斯特征f_gauss，再输入由全连接层和softmax函数组成的分类器中，得到预测的垃圾样本图像类别。

2.根据权利要求1所述的垃圾分类质量评估方法，其特征是，所述的预处理，包括：随机切割、随机擦除、正则化处理。

3.根据权利要求1所述的垃圾分类质量评估方法，其特征是，所述的骨干网络采用ResNet、VGG、GoogleNet。

4.根据权利要求1所述的垃圾分类质量评估方法，其特征是，所述的训练，使用随机梯度下降算法，其损失函数是分类损失L_c和散度损失L_e之和，其中：分类损失采用交叉熵损失，即衡量预测值y′_i和标记的真实值y_i之间的差异：L_c＝-∑_iy_ilog(y′_i)；散度损失采用KL散度约束提取的f_μ和f_σ符合标准正态分布：

5.根据权利要求1或4所述的垃圾分类质量评估方法，其特征是，所述的训练，通过垃圾图像数据集实现：使用每类1200样本的垃圾图像数据集训练，使用随机梯度下降算法，批量大小64，初始学习率0.01，每40次迭代后衰减，衰减指数为0.1，训练过程共迭代100次。

6.一种实现权利要求1～5中任一所述垃圾分类质量评估方法的垃圾分类质量评估系统，其特征在于，包括：区域分割模块、垃圾图像样本提取模块、垃圾图像样本分类模块和区域分类模块，其中：区域分割模块通过内置的无监督图像分割神经网络，在没有任何标记数据训练的情况下，将输入图像划分为多个不重叠的分割区域，垃圾图像样本提取模块从分割区域中提取垃圾图像样本以识别垃圾区域的种类，垃圾图像样本分类模块使用深度神经网络识别垃圾图像样本对应所属的垃圾类别，区域分类模块对每个垃圾区域提取的垃圾图像样本的分类结果投票决定该垃圾区域的类别，即将相同种类的垃圾区域被合并，最终混合垃圾图像上的每一个像素都被确定了所属的垃圾种类。

7.根据权利要求6所述的垃圾分类质量评估系统，其特征是，所述的区域分割模块包括：卷积模块单元、分类器单元、超像素优化单元和损失计算单元，其中：卷积模块单元包含三层卷积层，对输入图像进行卷积运算，得到响应图；分类器单元对响应图使用Argmax函数得到聚类标签；超像素优化单元根据每个超像素中出现频率最高的聚类标签，统一每个超像素的标签，得到优化后的聚类标签；损失计算单元根据响应图和优化后的聚类标签计算分类损失，反向传播优化网络参数，迭代五次后得到的优化后的聚类标签为最终的区域分割结果。